Google: Gemini Embedding 2
gemini-embedding-2- Eingabe / Ausgabe
- $0.20 / $0.00
- Kontext
- 8K
- Veröffentlicht
- 30. Sept. 2026
- Modalitäten
- Einbettung
Über Gemini Embedding 2
Gemini Embedding 2 ist das neuere Embedding-Modell von Google in der Gemini API. Es wandelt Text in Vektoren um, die die Bedeutung erfassen – für Suche, Clustering und Empfehlungen – mit Dimensionen, die von 128 bis 3.072 einstellbar sind. Es akzeptiert längere Texte als gemini-embedding-001 und ersetzt den Aufgabentyp-Parameter dieses Modells durch Anweisungen, die in den Prompt geschrieben werden.
Stärken
- Die Texteingabe kann um ein Vielfaches länger sein als bei gemini-embedding-001, daher sind weniger Abschnitte erforderlich.
- Verkürzte Vektoren werden automatisch normalisiert, was einen Schritt entfallen lässt, den das ältere Modell Ihnen überlässt.
- Aufgabenanweisungen werden in den Prompt geschrieben, sodass eine Anfrage in gewöhnlichen Worten angeben kann, wofür der Vektor bestimmt ist.
- Dimensionen von 128 bis 3.072 ermöglichen es Ihnen, Speicherplatz und Suchgeschwindigkeit gegen Präzision abzuwägen.
Alternativen
- Vektoren können nicht mit der Ausgabe von gemini-embedding-001 verglichen werden, daher bedeutet die Migration eines Index, alles neu einzubetten.
- Vektoren werden nur als Float-Werte zurückgegeben, daher ist eine kompakte Base64-Kodierung nicht verfügbar.
Erste Schritte
API-Schlüssel erstellen
Erstelle einen Schlüssel in Console und nutze ihn mit jedem Modell auf der Plattform.
Senden Sie Ihre erste Anfrage
Kopieren Sie das Beispiel für Ihre Sprache und führen Sie es gegen den Endpunkt aus.
EinbettungTokenLab-EndpunktPOST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "dimensions": 768, "encoding_format": "float", "input": "Semantic search", "model": "gemini-embedding-2" }'
Preise
Der offizielle Preis ist die öffentliche Basisvorgabe des Modellerstellers. Der TokenLab-Preis ist das, was du für dieses Modell auf TokenLab zahlst.
Preise
Pro 1M Token- Official
- Eingabe$0.20Pro 1M TokenAusgabe$0.00Pro 1M Token
- Offizieller Preis
- Eingabe$0.20Pro 1M TokenAusgabe$0.00Pro 1M Token
| Offizieller PreisPro 1M Token | OfficialPro 1M Token | Rabatt | |
|---|---|---|---|
| Eingabe | $0.20 | $0.20 | — |
| Ausgabe | $0.00 | $0.00 | — |
Nutzung & Aktivität
Die Erfolgsquote ist der Anteil abgeschlossener Anfragen. Die Latenz ist die Dauer einer vollständigen Antwort; P95 bedeutet, dass 95 % der Anfragen innerhalb dieser Zeit abgeschlossen wurden.
Nutzung & Verfügbarkeit
Letzte 24 Stunden- Anfragen
- Erfolgsrate
- P95-Latenz
- Token gesamt
Die Daten basieren auf aggregierten Benutzeranfragen, Statusprüfungen sind ausgeschlossen.
In Console öffnen
Öffne Gemini Embedding 2 in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.
Teste gemini-embedding-2 mit embedding an /v1/embeddings. Zeige Ergebnis und Kosten.
Anwendungsfälle
Abruf längerer Passagen
Betten Sie größere Textabschnitte ein, um Absätze und deren Kontext bei der Suche in Wissensdatenbanken zusammenzuhalten.
Anweisungsgesteuerte Ähnlichkeit
Fügen Sie eine kurze Anweisung hinzu, wie z. B. „Code-Snippets finden“ oder „FAQs finden“, und lassen Sie den Prompt steuern, was als ähnlich gilt.
Abgleich von Support-Tickets
Gleichen Sie ein neues Ticket mit früheren ab, die dasselbe Problem mit anderen Worten beschreiben.
Themen-Clustering
Gruppieren Sie Bewertungen oder Artikel nach Bedeutung, um Themen zu erkennen, ohne Schlüsselwortlisten schreiben zu müssen.
Prompt-Beispiele
Aufgabe: Fragenbeantwortung | Abfrage: Wie rotiere ich einen API-Schlüssel ohne Ausfallzeit?
Titel: Rückerstattungsrichtlinie | Text: Kunden können unbenutzte Artikel innerhalb von 30 Tagen nach Lieferung für eine vollständige Rückerstattung auf die ursprüngliche Zahlungsmethode zurückgeben.
Betten Sie dieses Support-Ticket ein, damit es mit ähnlichen vergangenen Tickets abgeglichen werden kann: Kunde kann Passwort nach E-Mail-Adressänderung nicht zurücksetzen.
Kostenrechner
FAQ
Was bietet Gemini Embedding 2 zusätzlich zu Gemini Embedding 001?
Längere Texteingabe, prompt-basierte Anweisungen anstelle des Aufgabentyp-Parameters und automatische Normalisierung verkürzter Vektoren. Beide Modelle wandeln Text in Vektoren um, aber 001 hat ein weitaus kürzeres Eingabelimit.
Kann ich Embeddings wiederverwenden, die mit gemini-embedding-001 erstellt wurden?
Nein. Google gibt an, dass die beiden Vektorräume inkompatibel sind, sodass Sie Vektoren eines Modells nicht mit Vektoren des anderen vergleichen können. Wenn Sie zu Embedding 2 wechseln, betten Sie sowohl Ihre Dokumente als auch Ihre Abfragen neu ein.
Welche Embedding-Größen sind verfügbar?
Von 128 bis 3.072 Dimensionen, wobei 768, 1.536 und 3.072 empfohlen werden. Google gibt an, dass kleinere Größen bei der Bewertung nahe an größere heranreichen. Embedding 2 normalisiert verkürzte Vektoren für Sie, sodass Sie diese direkt speichern und durchsuchen können.
Wie funktioniert die Aufgabenauswahl?
Es gibt keinen Aufgabentyp-Parameter. Sie geben die Absicht in den Prompt ein, zum Beispiel durch Kennzeichnung des Textes als Abfrage oder als abzurufendes Dokument. Verwenden Sie auf beiden Seiten Ihres Index dieselbe Konvention, damit Abfragen und Dokumente übereinstimmen.
Was wird zurückgegeben?
Float-Vektoren, einer pro Eingabetext, in der von Ihnen gewählten Dimension. Speichern Sie diese in einem beliebigen Vektorindex und vergleichen Sie sie mit Kosinus-Ähnlichkeit oder Skalarprodukt.
Was kostet Gemini Embedding 2?
Auf TokenLab kostet Gemini Embedding 2 Eingabe $0.20 / Ausgabe $0.00 Pro 1M Token. Die vollständige Aufschlüsselung steht in der Preistabelle oben.
Welchen Endpunkt soll Gemini Embedding 2 verwenden?
Verwenden Sie https://api.tokenlab.sh/v1/embeddings für Gemini Embedding 2. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.
Welche Operationen unterstützt Gemini Embedding 2?
Gemini Embedding 2 unterstützt Einbettung. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.
Gemini Embedding 2 vergleichen
Quellen
Geprüft am 02.10.2026
